一种面向神经网络推荐系统的统一协同表示学习模型
信息检索
2022-05-20 v1
摘要
大多数神经网络推荐系统（NN-RSs）通过从直接用户-物品交互（如用户-物品评分矩阵）构建表示来关注准确率，却忽略了用户与物品之间的潜在关联（例如，对同一物品给出相同评分的用户应被嵌入为相似表示），这是一种思想上的缺陷。另一方面，矩阵分解（ME）模型直接采用内积作为默认损失函数度量，无法将用户和物品投影到恰当的潜在空间，这是一种方法上的缺陷。本文提出一种有监督协同表示学习模型——磁度量学习（Magnetic Metric Learning, MML）——将用户和物品映射至统一潜在向量空间，增强NN-RSs的表示学习。首先，MML利用双三元组不仅建模用户与物品间的观测关系，也建模用户之间及物品之间的潜在关系，以克服思想缺陷。具体而言，MML中提出一种改进的基于度量的双损失函数，使相似实体聚集、不相似实体分散。借助MML，我们可根据加权度量轻松比较所有关系（用户对用户、物品对物品、用户对物品），从而克服方法缺陷。我们在四个具有大物品空间的真实数据集上进行了充分实验。结果表明，MML能从用户-物品矩阵中学习出恰当的统一潜在空间表示，具有高准确率与有效性，并比最先进推荐系统模型平均提升17%性能。
引用
@article{arxiv.2205.09670,
title = {A Unified Collaborative Representation Learning for Neural-Network based Recommender Systems},
author = {Yuanbo Xu and En Wang and Yongjian Yang and Yi Chang},
journal= {arXiv preprint arXiv:2205.09670},
year = {2022}
}
备注
Accepted by IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING(TKDE)